論文の概要: Spatially-Aware Self-Organizing Graph Autoencoders via Localized Hebbian Learning

• arxiv url: http://arxiv.org/abs/2610.34346v1
• Date: Sun, 25 Oct 2026 14:57:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 22:27:13.5813
• Title: Spatially-Aware Self-Organizing Graph Autoencoders via Localized Hebbian Learning
• Title（参考訳）: 局所的ヘビアン学習による空間認識型自己組織化グラフオートエンコーダ
• Abstract要約: 空間認識型自己組織化グラフオートエンコーダ(S-LooM)を導入し,構造的ボトルネックに対処する。 S-LooMは空間相関と空間カーネルを用いて特徴写像間の動的接続を確立する。 我々は、オートエンコーダの静的スカラーメッセージパッシングを学習可能な空間カーネルに置き換え、高周波デコンボリューションアーティファクトを除去する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Traditional autoencoders rely on static network architectures to learn latent representations. Recently we suggested a dynamic architecture inspired by Hebbian plasticity, enabling topological self-organization among convolutional feature maps (R. Koç et al., Proceedings of the SIU, 2026). Early implementations of this paradigm infer relationships among feature maps using global average pooling and model their interactions through scalar-valued connections. This approach falls short to fully exploit the underlying spatial information, embedded in input images. Furthermore, abrupt transitions between different loss functions and training dynamics can introduce representation shocks, leading to unstable feature learning. In this paper, we introduce a Spatially-Aware Self-Organizing Graph Autoencoder (S-LooM) to address these structural bottlenecks. By using spatial cross-correlation, and spatial kernels, S-LooM establishes dynamic connections among feature maps. We replace static scalar message passing of autoencoders with learnable spatial kernels and eliminate high-frequency deconvolutional artifacts observed in decoders using nearest-neighbor upsampling. Via a soft-blending training curriculum, the latent topology aligns smoothly during training. Our experiments show that S-LooM yields a more stable topology, compared to the state of the art dynamic architectures. Meaning, the graph structure that emerge has more resistance to feature entanglement and noise. It forms functional communities responsible for visual attributes, such as illumination, shape and texture even under high connection densities.
• Abstract（参考訳）: 従来のオートエンコーダは遅延表現を学習するために静的ネットワークアーキテクチャに依存している。 近年,ヘビアン可塑性に着想を得た動的アーキテクチャを提案し,畳み込み特徴写像(R. Koç et al , Proceedings of the SIU, 2026)間の位相的自己組織化を実現した。 このパラダイムの初期の実装は、グローバル平均プールを用いた特徴写像間の関係を推論し、スカラー値接続を通して相互作用をモデル化した。 このアプローチは入力画像に埋め込まれた空間情報を完全に活用するには不十分である。 さらに、異なる損失関数とトレーニングダイナミクスの急激な遷移は、表現ショックを導入し、不安定な特徴学習につながる可能性がある。 本稿では,これらの構造的ボトルネックに対処するため,空間認識型自己組織化グラフオートエンコーダ(S-LooM)を提案する。 S-LooMは空間相関と空間カーネルを用いて特徴写像間の動的接続を確立する。 自動エンコーダの静的スカラーメッセージパッシングを学習可能な空間カーネルに置き換え、最寄りのアップサンプリングを用いてデコーダで観測される高周波デコンボリューショナルアーティファクトを除去する。 ソフトブレンディングトレーニングカリキュラムでは、潜在トポロジーはトレーニング中にスムーズに整列する。 実験の結果,S-LooMは最先端の動的アーキテクチャに比べて安定なトポロジーが得られることがわかった。 意味するところは、出現するグラフ構造は、特徴の絡み合いやノイズに抵抗する。 高接続密度でも照明、形状、テクスチャなどの視覚特性に責任を負う機能的なコミュニティを形成する。

関連論文リスト

• Chaotic Contrastive Learning for Robust Texture Classification [0.0]
  本稿では,自己指導型学習と決定論的カオス力学を相乗化する新しい枠組みを提案する。 本稿では,画素単位のカオスマップが非線形データ拡張手法として機能する,カオス的コントラスト事前学習戦略を提案する。 6つのテクスチャベンチマーク実験の結果,提案手法の優位性を示した。
  論文  参考訳（メタデータ） (2026-05-06T15:11:28Z)
• Learning-Based Hierarchical Scene Graph Matching for Robot Localization Leveraging Prior Maps [0.17398560678845076]
  シーングラフは、セマンティックエンティティとその関係の階層として環境の構造をエンコードする。 これら2つの相補的表現を一致させることで、既知の構造的先行に対してロボット観測を接地することでSLAMのドリフト補正が可能になる。 ここでは、階層内および階層間関係を符号化する意味的動機付けされたエッジタイプを用いて、両方のグラフを拡大する、学習されたエンドツーエンドの微分可能なパイプラインを示す。
  論文  参考訳（メタデータ） (2026-04-30T13:05:57Z)
• DynaPURLS: Dynamic Refinement of Part-aware Representations for Skeleton-based Zero-Shot Action Recognition [51.80782323686666]
  textbfDynaPURLSは、堅牢でマルチスケールなビジュアル・セマンティック対応を確立する統一的なフレームワークである。 我々のフレームワークは、グローバルな動きと局所的な身体部分のダイナミクスの両方を含む階層的なテキスト記述を生成するために、大きな言語モデルを活用する。 NTU RGB+D 60/120とPKU-MMDを含む3つの大規模ベンチマークデータセットの実験は、DynaPURLSが先行技術よりも大幅に優れていることを示した。
  論文  参考訳（メタデータ） (2025-12-12T10:39:10Z)
• Auto-Compressing Networks [51.221103189527014]
  本稿では,各層からの長いフィードフォワード接続が従来の短残コネクションに取って代わるアーキテクチャ変種であるAuto-compression Networks (ACNs)を紹介する。 本稿では,ACNが残差ネットワークと比較して高雑音を示すこと,低データ設定における優れた性能を示すこと,破滅的忘れを軽減できることを述べる。 これらの知見は、効率的な神経アーキテクチャを開発するための実践的なアプローチとしてACNを確立している。
  論文  参考訳（メタデータ） (2025-06-11T13:26:09Z)
• The Cooperative Network Architecture: Learning Structured Networks as Representation of Sensory Patterns [3.9848584845601014]
  協調ネットワークアーキテクチャ(Cooperative Network Architecture, CNA)は,ニューロンの構造的, 繰り返し接続されたネットワークを用いて, 知覚信号を表すモデルである。 我々は、ネットフラグメントを監督なしに学習し、フレキシブルに組み換えることで、新しいパターンをエンコードし、フィギュア補完とノイズに対するレジリエンスを可能にすることを実証した。
  論文  参考訳（メタデータ） (2024-07-08T06:22:10Z)
• Automated Spatio-Temporal Graph Contrastive Learning [18.245433428868775]
  パラメータ化コントラストビュージェネレータを用いた時間自動拡張方式を開発した。 AutoSTは多視点セマンティクスをよく保存した異種グラフに適応することができる。 いくつかの実世界のデータセットで3つのダウンストリーム時間的マイニングタスクの実験は、大きなパフォーマンス向上を示している。
  論文  参考訳（メタデータ） (2023-05-06T03:52:33Z)
• Spatial-Temporal Correlation and Topology Learning for Person Re-Identification in Videos [78.45050529204701]
  クロススケール空間時空間相関をモデル化し, 識別的, 堅牢な表現を追求する新しい枠組みを提案する。 CTLはCNNバックボーンとキーポイント推定器を使用して人体から意味的局所的特徴を抽出する。 グローバルな文脈情報と人体の物理的接続の両方を考慮して、多スケールグラフを構築するためのコンテキスト強化トポロジーを探求する。
  論文  参考訳（メタデータ） (2021-04-15T14:32:12Z)
• Multiple Object Tracking with Correlation Learning [16.959379957515974]
  本研究では,局所相関モジュールを用いて,対象と周辺環境のトポロジカルな関係をモデル化する。 具体的には,各空間の位置とその文脈の密接な対応を確立し,自己教師付き学習を通じて相関量を明確に制約する。 提案手法は, 相関学習と優れた性能の相関学習の有効性を示し, MOT17では76.5%, IDF1では73.6%の最先端MOTAが得られる。
  論文  参考訳（メタデータ） (2021-04-08T06:48:02Z)
• PredRNN: A Recurrent Neural Network for Spatiotemporal Predictive Learning [109.84770951839289]
  歴史的文脈からビジュアルダイナミクスを学習するための新しいリカレントネットワークであるPredRNNを紹介する。 本手法は,3つの標準データセット上で高い競争結果が得られることを示す。
  論文  参考訳（メタデータ） (2021-03-17T08:28:30Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。